Zastosowanie konwolucyjnej sieci neuronowej do identyfikacji struktury przepływu ciecz-gaz w rurociągu z wykorzystaniem histogramów sygnałów z detektorów scyntylacyjnych

• Autorzy: Ochał Piotr , Hanus Robert , Zych Marcin

Identyfikatory

DOI

10.15199/48.2022.11.38

Warianty tytułu

EN

Application of the convolutional neural network to identify the liquid-gas flow structure in a pipeline using histograms of signals from scintillation detectors

• Języki publikacji: PL

Abstrakty

PL

Znajomość struktury przepływów dwufazowych w rurociągach jest niezbędna dla oceny prawidłowego przebiegu wielu procesów przemysłowych. W niniejszej pracy zastosowano Konwolucyjną Sieć Neuronową (CNN) do analizy histogramów sygnałów uzyskanych dla przepływu ciecz-gaz z wykorzystaniem absorpcji promieniowania gamma. Eksperymenty przeprowadzono na laboratoryjnej instalacji hydraulicznej wyposażonej w radiometryczny układ pomiarowy. W pracy zbadano cztery typy przepływu: rzutowy, tłokowy, tłokowo-pęcherzykowy i pęcherzykowy. Stwierdzono, że sieć CNN poprawnie rozpoznaje strukturę przepływu w ponad 90% przypadków.

EN

Knowledge of the two-phase flow structure is essential for the proper conduct of industrial processes. In this work, the Convolutional Neural Network (CNN) is applied for analysis of histograms of signals obtained for liquid-gas flow by use gamma-ray absorption. The experiments were carried out on the laboratory hydraulic installation fitted with radiometric measurement system. Four types of flow regimes as plug, slug, bubble, and transitional plug – bubble were studied in this work. It was found that the CNN network correctly recognize the flow structure in more than 90% of cases.

Słowa kluczowe

PL

przepływ dwufazowy; absorpcja promieniowania gamma; rozpoznawanie struktury przepływu; Konwolucyjna Sieć Neuronowa

EN

two-phase flow; gamma-ray absorption; flow structure recognition; Colutional Neural Network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 11
• Strony: 185--189
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Ochał Piotr

• absolwent Politechniki Rzeszowskiej

autor

Hanus Robert

• Politechnika Rzeszowska, Wydział Elektrotechniki i Informatyki, al. Powstańców Warszawy 12, 35-959 Rzeszów

• https://orcid.org/0000-0001-8595-1478

autor

Zych Marcin

• AGH Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska, al. Mickiewicza 30, 30-059 Kraków

• https://orcid.org/0000-0001-6374-9498

Bibliografia

• [1] Zhao Y., Qincheng B., Richa H., Recognition and measurementin the flow pattern and void fraction of gaseliquid two-phase flow in vertical upward pipes using the gamma densitometer, Appl. Therm. Eng., vol. 60 (2013), 398-410
• [2] Roshani M., Phan G., Faraj R.H., Phan N.-H., Roshani G.H., Nazemi B., Corniani E., Nazemi E., Proposing a gamma radiation based intelligent system for simultaneous analyzing and detecting type and amount of petroleum by-products, Nucl. Eng. Technol. 53(4), (2021), 1277-1283
• [3] Roshani G.H., Nazemi E., Feghhi S.A.H., Setayeshi S., Flow regime identification and void fraction prediction in two-phaseflows based on gamma ray attenuation, Measurement 62 (2015), 25–32
• [4] Karami A., Roshani G.H., Khazaei A., Nazemi E., Fallahi M.,Investigation of different sources in order to optimize the nuclear metering system of gas–oil–water annular flows, Neural Comput. Appl. 32 (2020), 3619–3631
• [5] Hanus R., Zych M., Golijanek-Jędrzejczyk A., Investigation of liquid–gas flow in a horizontal pipeline using gamma-ray technique and modified cross-correlation, Energies 15(16) (2022), 5848
• [6] Roshani M., Sattari M.A., Ali P.J.M., Roshani G.H., Nazemi B., Corniani E., Nazemi E., Application of GMDH neural network technique to improve measuring precision of a simplified photon attenuation based two-phase flowmeter, Flow Meas. Instrum. 75 (2020), 101804
• [7] Hanus R., Zych M., Kusy M., Jaszczur M., Petryka L., Identification of liquid-gas flow regime in a pipeline using gamma-ray absorption technique and computational intelligence methods, Flow Meas. Instrum. 60 (2018), 17-23
• [8] Salgado R.W.L., Dam S.F., Salgado C.M., Optimization of a flow regime identification system and prediction of volume fractions in three-phase systems using gamma-rays and artificial neural network, Appl. Radiat. Isot. 169 (2021), 109552
• [9] Salgado C.M., Dam S.F., Puertas E.J.A., Salgado R.W.L., Calculation of volume fractions regardless scale deposition in the oil industry pipelines using feed-forward multilayer perceptron artificial neural network and MCNP6 code, Appl. Radiat. Isot. 185(10–11) (2022), 110215
• [10] Hanus R., Zych M., Jaszczur M., Computational intelligenceapproach for liquid-gas flow regime classification based on frequency domain analysis of signals from scintillation detectors. In: Rojas I., Joya G., Catala A. (eds) Advances in Computational Intelligence. IWANN 2019. Lecture Notes in Computer Science, vol. 11507, 339-349, Springer, Cham 2019
• [11] Iliyasu A.M., Mayet A.M., Hanus R., Abd El-Latif A.A., Salama A.S., Employing GMDH-type neural network and signal frequency feature extraction approaches for detection of scale thickness inside oil pipelines, Energies 15(12) (2022), 4500
• [12] Mayet A.M., Alizadeh S.M., Nurgalieva K.S., Hanus R., Nazemi E., Narozhnyy I.M., Extraction of time-domain characteristics and selection of effective features using correlation analysis to increase the accuracy of petroleum fluid monitoring systems, Energies 15(6) (2022), 1986
• [13] Raitoharju J., Convolutional neural networks, in: Deep Learning for Robot Perception and Cognition, Academic Press, 2022
• [14] https://www.mathworks.com/help/deeplearning/ref/vgg16.html;jsessionid=27ee6b23c86210369251f413f898
• [15] Ochał P., Identyfikacja struktury przepływu dwufazowego przy zastosowaniu analizy widmowej i metod sztucznej inteligencji. Praca dyplomowa magisterska, Politechnika Rzeszowska, 2022
• [16] Osowski S., Metody i narzędzia eksploracji danych, Wydawnictwo BTC, Legionowo 2013
• [17] Grandini M., Bagli E., Visani G., Metrics for Multi-Class Classification: an Overview, arXiv:2008.05756, https://doi.org/10.48550/arXiv.2008.05756
• [18] Chicco D., Jurman G., The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation, BMC Genomics 21(6) (2020), https://doi.org/10.1186/s12864-019-6413-7

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).